基于多分类支持向量机算法的车用锂电池故障诊断方法与流程

基于多分类支持向量机算法的车用锂电池故障诊断方法属于车用锂电池故障诊断领域。

背景技术：

锂电池放电功率高，寿命长，无污染且制备工艺成熟，被广泛应用于电动汽车、移动电源、工厂供电等方面。由于电池工作环境复杂，常会出现过压、过流、过温等异常现象，严重时会损坏电池；并且单体电池参数存在的差异性也会影响电池系统整体的安全运行。因此为了保证锂电池的使用安全，对其进行故障诊断成为一项重要的工作。

在电池的故障诊断方法中，基于电池模型的故障诊断是常用的一种，这种方法通过建立电池模型，寻找电池各项参数的数学关系来表现电池内部的化学反应，以各项参数是否超过预先设定阈值作为判断故障的依据。常用的电池模型有电化学模型，如peukert方程模型、shepherd模型、unnewehr模型等；以及等效电路模型，如rint模型、阻容模型、gnl模型等。利用电池模型，文献“moduledesignandfaultdiagnosisinelectricvehiclebatteries”提出了一种通过电池内阻增长率来判断故障的诊断方法，通过脉冲电流实验，得到电池的内阻增长率，分析电化学阻抗谱进而判断是否出现故障；文献“lithiumionbatterypackpowerfadefaultidentificationbasedonshannonentropyinelectricvehicles”提出一种通过能量损耗来判断故障的诊断方法，该方法引入了香农熵的概念来辨别内阻的增加，能量损耗可以通过辅助观察窗口得到，从而实现故障诊断；文献“quicktestingofbatteriesinlithium-ionbatterypackswithimpedance-measuringtechnology”通过传统的频率响应来测量电池内阻以实现故障诊断。上述电池故障诊断方法能够直接反映电池工作特性，简单直观，但精度较低，且需要单独实验测试才能确定，属于离线的故障诊断方法，一般用于电池维护和检修。

针对复杂的汽车工况，想要建立能够准确描述电池运行状态的电池模型十分困难，利用人工智能的方法进行建模是一种可行的方法。在“基于rbf神经网络的动力电池故障诊断系统研究”和“基于bp神经网络算法的电池组故障诊断研究”提出将rbf神经网络以及bp神经网络应用到动力电池故障诊断当中，但是想要使神经网络具有良好的故障诊断能力，需要获取大量的典型数据对其进行训练，而采集电池在极端工作情况下的数据比较困难，样本数据密度难以满足对神经网络训练的要求；在“模糊神经网络专家系统在动力锂电池组故障诊断中的应用”中，将专家系统和模糊神经网络结合以实现对锂电池的故障诊断，但基于专家系统的故障诊断方法非常依赖于专家领域知识，而知识获取与更新是专家系统研发中的难题，尤其是对于锂电池这样的非线性时变系统来说更为困难，从而导致故障诊断的效果不理想。

技术实现要素：

为了解决上述问题，本发明公开了基于多分类支持向量机算法的车用锂电池故障诊断方法，以解决车用锂电池故障模式复杂及故障状态下数据获取困难对故障诊断结果产生影响的问题，能够快速、准确地完成对车用锂电池的故障诊断。

本发明的目的通过如下方案实现：

基于多分类支持向量机算法的车用锂电池故障诊断方法，包括以下步骤：

步骤一、将电池样本分成三组，第一组进行电池循环充放电试验，第二组进行过充试验，第三组进行过放试验，采集样本的电流、电压、放电容量以及温度数据，并对数据进行处理，在处理后的数据中分选形成训练集和测试集；

步骤二、规定电池故障标准；

步骤三、采用交叉验证和网络搜索方法对支持向量机进行参数优化；

步骤四、构造核函数支持向量机；

步骤五、构建偏二叉树五分类支持向量机，得到能够识别锂电池不同状态的车用锂电池故障诊断模型。

进一步的，步骤二所述电池故障标准依据国标“gb-t31484-2015电动汽车用动力蓄电池循环寿命要求及试验方法”和电池手册规定电池故障标准。

进一步的，电池故障类型包括：f1-电池正常、f2-电池过压、f3-电池过放、f4-电池过温和f5-电池容量过低。

进一步的，步骤三所述参数优化方法包括以下步骤：

1)选定核函数类型，设定惩罚参数c和参数g的初始值及范围；

2)将原始数据平均分成n组，每个组都会被作为一次验证集合，其余n-1个子集作为训练集，将得到的n个模型分类准确率的平均值作为分类器的性能指标；

3)将各数据集根据步骤2)所述的性能指标进行交叉验证，得到最优参数对；

4)对得到的最优参数进行判断，以惩罚参数c为优先选择，若精度满足要求则得到最优参数对[c,g]best。

具体的交叉验证过程如下：

若第i+1个参数对[c,g]i+1的准确率低于第i个参数对[c,g]i的准确率，则第i+1个参数对不是最优参数对，继续验证；

若第i+1个参数对[c,g]i+1的准确率高于第i个参数对[c,g]i的准确率，则将第i+1个参数对作为最优参数对。

进一步的，步骤五具体包括：

在每个支持向量机模型中，将属于第j累故障类型的样本标记为“j”，其余样本标记为“0”，以此类推，经过偏二叉树组合，得到能够识别锂电池不同状态的车用锂电池故障诊断模型。

进一步的，步骤一中所述数据处理过程为归一化处理。

本发明提出了一种基于多分类支持向量机算法的车用锂电池故障诊断方法具有如下优点：

步骤简单合理，在小样本情况下实现分类准确率达到0.96；

将多个支持向量机按照偏二叉树结构组合，采集的样本只需要经过一次归一化处理便可以输入到模型中进行故障类别诊断，简化了诊断过程，在保证实现了多分类功能前提下大大减少了分类器的数目，有效的提高了故障诊断速度，同时解决了样本重复分类的问题；

本发明采用交叉验证和网格搜索的方法对支持向量机模型参数进行寻优，不仅实现快速收敛和有效地减少过拟合，而且能够利用有限的数据集，对尽可能多的参数组合进行准确率对比，完成参数寻优提升了模型对所要分类的数据的适应性。

本发明克服了在车用锂电池故障诊断时样本不足而带来大的诊断误差的问题，并且保证了故障诊断的准确率，具有良好的可靠性。

附图说明

图1是本发明的整体步骤流程图；

图2是本发明对支持向量机参数优化的流程图；

图3是本发明所利用的多分类支持向量机结构示意图；

图4是c,g参数及准确率等高线图；

图5是本发明实例的150组训练样本下得到的mc-svm模型对220组测试样本的分类测试结果图,图中◇、□、×、+和☆分别依次代表f1-f5五个类别的样本数据；

图6是mc-svm与pnn神经网络经过数量递减的训练集训练，对220组测试集的准确率对比曲线图。

具体实施方式

支持向量机是一种解决小样本分类问题的人工智能算法，该方法建立在统计学习理论的基础上，不考虑电池本身的特性和内部反应机理，在小样本统计方面具有独特的求解优势，不存在局部最优解的问题。支持向量机参数的选择会对结果造成很大的影响，选择不合适的参数，模型的准确率就会比较差，因此要对支持向量机参数进行优化，利用交叉验证和网格搜索的方法可以利用有限的样本数据，验证尽可能多的参数组合对模型的适应性。

支持向量机是一种二分类算法，针对故障诊断问题，需要具有多分类能力的算法；将多个支持向量机按照偏二叉树结构组合，就可以实现多分类，并且以偏二叉树结构组合成的多分类支持向量机，结构简单，所需分类器数目少，针对q类分类问题，只需要训练q-1个分类器，重复训练量低。

本发明的基于多分类支持向量机算法的车用锂电池故障诊断方法，具体包括以下步骤：

步骤一、选取某电池厂家的10只容量为3600mah，充电截止电压为3.7v，放电截止电压为2.75v的18650磷酸铁锂电池作为电池样本，将其由1-10进行编号。对1、2号电池样本进行循环充放电实验，对3-6号电池样本进行过充实验，对7-10号电池样本进行过放实验，同时采集样本的电流、电压、放电容量以及温度，采集间隔为3s，循环充放电实验步骤如表1，过充实验步骤如表2，过放实验步骤如表3，得到10810组数据，以表4为标准。

表1电池循环充放电实验步骤

表2电池过充实验步骤

表3电池过放实验步骤

为所采集到的各项数据量级差别较大,为了降低由于数量级差值造成的对支持向量机模型训练造成的影响,首先对所有数据进行归一化处理,处理公式如下:

式中，y为归一化后的数据，xi为所要处理的一项数据，xmax为与xi同项电池参数中采集到的最大值，xmin为与xi同项参数在一项电池参数中采集到的最小值。

默认归一化范围为(-1,1),此函数将所要进行处理的矩阵的每一行作为一个维度,则每一列为一个样本。在10810组经过归一化处理的数据中，分别选取状态为正常、电池过压、电池过放、电池过温、电池容量过低的共150组数据，构成150x4的训练集矩阵；

步骤二、规定电池故障类型和标准：

锂电池容量：锂电池容量是指在一定的放电条件下对电池单体放电所获得的以ah或mah为单位的电量，根据条件不同可以分为理论容量，额定容量，实际容量。

锂电池电压：锂电池电压表示在一定条件下，电池两极的电位差，包括充放电截止电压、开路电压以及工作电压，电压过高或过低代表电池处在过充或过放的状态下，均不是对电池有利的工作状态。

锂电池温度：锂电池在工作过程中会产生热量，进而会导致温度的上升，过高的工作温度会致使电池爆炸等情况的出现。

所述锂电池容量、锂电池电压和锂电池温度是电池的重要指标，其中电池的电压和温度是电池运行过程中最重要的可测量参数；根据“gb-t31484-2015电动汽车用动力蓄电池循环寿命要求及试验方法”以及厂家提供的电池使用手册，本申请规定了如表4所示f1-f5的5种电池故障类型及识别标准。

表4电池故障标准

在实际研究中发现，锂电池各项性能参数之间存在耦合关系，不仅很难用函数直接描述出它们之间的关系，而且当故障出现时，通常是几种参数共同作用的结果，不能通过单一一种参数来诊断电池故障。因此采用人工智能的方法训练模型，能够实现对全部参数的辨识，从而解决电池性能参数耦合关系给故障诊断带来的困难的问题。鉴于支持向量机在非线性分类问题上的良好表现以及小样本数据建模上的优势，本申请采用基于多分类支持向量机算法(multiclassificationsvm,mc-svm)对车用锂电池故障进行诊断。

步骤三、支持向量机是一种解决小样本分类问题的人工智能算法，该方法建立在统计学习理论的基础上，不考虑电池本身的特性和内部反应机理，在小样本统计方面具有独特的求解优势，不存在局部最优解的问题，但支持向量机参数的选择会对结果造成很大的影响，选择不合适的参数，模型的准确率就会比较差，因此采用交叉验证和网络搜索方法对步骤三中的支持向量机进行参数优化，利用交叉验证和网格搜索的方法可以利用有限的样本数据，验证尽可能多的参数组合对模型的适应性。

如图2所示，参数优化方法包括以下步骤：

1)选定核函数类型，设定惩罚参数c和参数g的初始值及范围，本实施例的c和g的的初始值分别为1和0.1，c和g的范围为[2^-5,2⁵]；合适类型的核函数是支持向量机选择的重点，它能够反映不同类别在特征空间中的数据分布，对样本数据的映射性能有重要影响。常用的核函数有线性核函数、径向基核函数(rbf)、sigmoid核函数以及多项式核函数；其中径向基核函数计算量比较小，有益于提升模型训练速度，本实施例选择径向基核函数作为支持向量机的核函数，径向基核函数的灵活性通过参数g进行控制；

2)在参数优化过程为了缩小样本数和提高提高样本对模型的适应性，将原始数据平均分成n组，每个组都会被作为一次验证集合，其余n-1个子集作为训练集，将得到的n个模型分类准确率的平均值作为分类器的性能指标，所述分类准确率即模型的预测值与实际值相同的样本数与全部样本数的比值；

n的选择对不仅要考虑样本数目，还要考虑样本对模型的适应程度，过大或过小都打不到理想的验证效果，根据电池样本密度、电池样本数量以及电池样本分布特点，本实施例的n＝10；

3)将各数据集根据步骤2)所述的性能指标进行交叉验证，得到最优参数对；

具体的网格交叉验证过程如下：

在预先设定的c和g范围内对参数对[c,g]进行赋值，并求得不同参数对的准确率，本实施例中的c和g的赋值方式采用网格式赋值方式，步进距离为10^-4；

若第i+1个参数对[c,g]i+1的准确率低于第i个参数对[c,g]i的准确率，则第i+1个参数对不是分类准确率最高的参数对，继续验证；

若第i+1个参数对[c,g]i+1的准确率高于第i个参数对[c,g]i的准确率，则将第i+1个参数对作为分类准确率最高的参数对；

图4为参数寻优结果等高线图，x轴为对惩罚参数c取2对数，y轴为对参数g取2对数，等高线为分类准确率；观察等高线可以发现，本实施例采用的交叉验证和网格搜索结合的方法可以实现快速收敛，可以有效地减少过拟合，并且能够利用有限的数据集，对尽可能多的参数组合进行准确率对比，完成参数寻优。

4)对得到的最优参数进行判断，在实际寻优过程中可能得到多组高准确率的参数对，需要在这些参数对中选择最优参数对，c值的大小对模型的范化能力有很大影响，因此以惩罚参数c为优先选择，而过大的c值会导致模型的范化能力很低，所以本申请选择c值最小的参数对作为最优参数对，即得到最优参数对[c,g]best，采用上述方法最终得到的c为1.41，g为2.82，交叉验证准确率达到98.7％，得到最优参数对[c,g]best的平均时间为3.48秒，可见，本实施例采用的参数判断方法在保证高验证准确率的前提下缩短了检验时间。

步骤四、构造核函数支持向量机；将最优参数带入所述支持向量机中，使用训练集对所述支持向量机进行分别训练，本实施例使用由frauto改进的svm工具箱进行支持向量机模型训练及分类验证，将得到的最优参数对[c,g]best带入到多分类支持向量机中，使用训练集对模型进行训练。

具体过程包括：

1)输入两类训练样本向量(xl，yl)(l＝1,2，…，n，n为样本容量，x∈r^d，y∈{-1,+1})，类别分别为a1、a2，当xl∈a1时，则yl＝-1，当xl∈a2时，则yl＝+1；

2)构造核函数，本实施例采用的核函数为优化的径向基核函数，具体表达式如式(1)所示：

k(xl，x)＝pk1(xl，x)+(1-p)k2(xl，x)(1)；

其中，p为相关系数取值范围为(0.999,0.9)，k1(xl，x)为径向基函数，k2(xl，x)为logistic核函数，具体表达式如下所示：

k1(xl，x)＝exp(-||x-xl||²/2σ²)(2)；

上式中σ为径向基核函数的核半径，p为权重；

3)构造核函数支持向量机的决策函数如(4)式所示，式中，n为训练样本的样本容量，为lagrange算子，b^*为偏差值；

式中，l＝1,2，…，n，所述为利用二次规划法求解目标函数式(5)、(6)的最优解，所述目标函数式(5)和(6)如下所示：

s.t∑ylal＝0(al≥0，l＝1，…，n)(6)。

步骤五、构建偏二叉树五分类支持向量机，得到能够识别锂电池不同状态的车用锂电池故障诊断模型，偏二叉树结构的多分类支持向量机算法将多个支持向量机按照一定的逻辑关系组合并求解，在偏二叉树结构中的每一个节点进行二分类，在一个类别与其余所有类别之间构造最优分割面，即每次只分离出一个类别，并将其余类别作为负类别，以此类推继续进行分类；

具体的包括：

1)将训练矩阵作为输入，通过svm分类函数的输出进行第一次类别判断，将f1类故障分离出来，如果解为-1，样本属于f1类，若解为1，样本属于其他类；

2)将步骤1)分选的其他样本矩阵作为输入，通过svm分类算法的输出进行第二次分类，将f2类故障分离出来，如果解为-1，样本属于f2类，若解为1，样本属于其他类；

3)将步骤2)分选的其他样本矩阵作为输入，通过svm分类算法的输出进行第二次分类，将f3类故障分离出来，如果解为-1，样本属于f3类，若解为1，样本属于其他类；

4)将步骤3)中分选的其他样本矩阵作为输入，通过svm分类算法的输出进行第二次分类，将f4类故障分离出来，如果解为-1，样本属于f4类，若解为1，样本属于f5类；

本实施例将经过训练的支持向量机按照偏二叉树结构组合，得到能够识别锂电池不同状态的车用锂电池故障诊断模型。

本实施例的五分类偏二叉树支持向量机如图3所示，在经过svmj分类器时，将属于fj类故障类型的样本标记为“j”，其余样本标记为“0”，每个分类器都可以完成对一种故障类别的诊断，具体的，f1类故障类型的样本标记为“1”，其余标记为“0”，f2类故障类型的样本标记为“2”，其余标记为“0”，f3类故障类型的样本标记为“3”，其余标记为“0”，f4类故障类型的样本标记为“4”，其余标记为5，就可以实现对表4中五种锂电池故障的诊断，得到能够识别锂电池不同状态的车用锂电池故障诊断模型。

步骤六、将测试集输入步骤六所述的电池故障诊断模型中进行故障诊断：从10810组经过归一化的数据中，分别选取状态为正常、电池过压、电池过放、电池过温、电池容量过低的共220组与训练集不同的数据，将其作为测试集对故障诊断模型进行测试。

本实施例为了验证模型的实际效果，另取已知故障类别并且与训练集没有重复交叉的220组数据进行实际测试，最终结果如图5所示,图中的正三角符号代表分类不正确的样本。

同时本实施例还构建了pnn神经网络模型用于结果对比，对比结果如表5，可以发现，在训练样本足够大的情况下，mc-svm有良好的故障诊断准确率，与pnn神经网络基本一致，但在训练速度上明显优于pnn神经网络。

表5150组训练样本下的mc-svm和pnn的分类结果对比

支持向量机是一种在训练集数量较小的情况下，也能够具有良好性能的分类器模型,所以本文逐渐减少训练集的数量，每一次对正常状态及各个故障类别的数据分别减少5组，直至每种类别下只有5组数据。用新获得的数量依次递减的训练集分别对mc-svm模型进行训练，并且选取与上文相同的已知属性的220组数据作为测试集进行测试。测试结果发现，mc-svm的分类准确率没有随着训练集数量的减少而出现明显幅度的降低，整体分类结果准确率最高为0.96，最低为0.86，平均准确率为0.89。

将同样的数量递减的训练集分别用于对pnn神将网络的训练，并且用相同的220组测试集对其进行测试，图6是mc-svm与pnn神经网络经过数量递减的训练集训练，对220组测试集的准确率对，图中横轴代表训练集样本数，纵轴代表220测试集的准确率，测试结果表明，pnn神经网络故障诊断准确率随着训练集数量的减少明显降低，在训练样本降低为95组时，准确率降低到了50％以下，但训练集数量的减少对mc-svm模型的测试结果没有产生明显影响，测试准确率没有出现大幅度的衰减。而pnn神经网络随着训练集数量的减少，测试准确率出现了大幅度的衰减由此证实了本申请的mc-svm方法在小样本训练集上具有显著优势。

本实施例在训练样本为150组时，准确率达到0.96，训练时间为0.58秒。将数量逐渐减少的训练集分别用于该多分类支持向量机的训练，当训练样本为25时，准确率仍能达到0.88。该方法与pnn神经网络相比具有训练速度快，分类效果好，学习能力强等优点，在小样本训练集上有明显优势，满足了车用锂电池故障诊断的要求。

应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。